如何按两个变量进行分组和汇总答案

【问题标题】：How to group and summarise by two variables如何按两个变量进行分组和汇总
【发布时间】：2017-12-21 16:49:23
【问题描述】：

我在多列上使用 group_by() 时遇到问题。示例数据集如下：

dput(test)
structure(list(timestamp = structure(c(1506676980, 1506676980, 
1506676980, 1506677040, 1506677280, 1506677340, 1506677460), class = c("POSIXct", 
"POSIXt"), tzone = "UTC"), plusminus = c(-1, 1, 1, 1, 1, 1, -1
), AP = structure(c(1L, 2L, 2L, 2L, 2L, 1L, 2L), .Label = c("A", 
"B"), class = "factor")), .Names = c("timestamp", "plusminus", 
"AP"), row.names = c(NA, -7L), class = "data.frame")

如下所示：

            timestamp plusminus AP
1 2017-09-29 09:23:00        -1  A
2 2017-09-29 09:23:00         1  B
3 2017-09-29 09:23:00         1  B
4 2017-09-29 09:24:00         1  B
5 2017-09-29 09:28:00         1  B
6 2017-09-29 09:29:00         1  A
7 2017-09-29 09:31:00        -1  B

我想做以下事情：

计算“AP”变量中每个级别的运行总计
汇总每分钟运行总计的最大值。

换句话说，我想要这个输出：

            timestamp total AP
1 2017-09-29 09:23:00    -1  A
2 2017-09-29 09:23:00     2  B
3 2017-09-29 09:24:00     3  B
4 2017-09-29 09:28:00     4  B
5 2017-09-29 09:29:00     0  A
6 2017-09-29 09:31:00     3  B

第 1 部分很容易通过：

test %>% group_by(AP) %>% mutate(total = cumsum(plusminus))

给出：

# A tibble: 7 x 4
# Groups:   AP [2]
            timestamp plusminus     AP total
               <dttm>     <dbl> <fctr> <dbl>
1 2017-09-29 09:23:00        -1      A    -1
2 2017-09-29 09:23:00         1      B     1
3 2017-09-29 09:23:00         1      B     2
4 2017-09-29 09:24:00         1      B     3
5 2017-09-29 09:28:00         1      B     4
6 2017-09-29 09:29:00         1      A     0
7 2017-09-29 09:31:00        -1      B     3

但我不确定如何执行第 2 部分。也就是说，我想知道如何执行聚合，以便后一个数据帧中的第二行被压制以提供所需的输出。

【问题讨论】：

标签： r dplyr

【解决方案1】：

在计算完运行总数后，您需要重新分组以将每个时间戳-AP 对放在一起，然后汇总以保持最大值。如果你想保留最后一个值（而不是最大值），你可以只保留最后一行（你也可以使用slice(n()) 来做到这一点）。在这里，答案是相同的，但请确保您的数据也是如此。

test %>%
  group_by(AP) %>%
  mutate(total = cumsum(plusminus)) %>%
  group_by(timestamp, AP) %>%
  summarise(maxTotal = max(total)
            , lastTotal = total[n()])

给予

            timestamp     AP maxTotal lastTotal
               <dttm> <fctr>    <dbl>     <dbl>
1 2017-09-29 09:23:00      A       -1        -1
2 2017-09-29 09:23:00      B        2         2
3 2017-09-29 09:24:00      B        3         3
4 2017-09-29 09:28:00      B        4         4
5 2017-09-29 09:29:00      A        0         0
6 2017-09-29 09:31:00      B        3         3

【讨论】：

非常感谢。 Lyngbakr 有点早，所以我会给他打勾。
请注意，Lyngbakr 的回答给出了 last 值，而不是最大值。

【解决方案2】：

这是data.table 方法：

数据

p <- structure(list(timestamp = structure(c(1506676980, 1506676980, 
1506676980, 1506677040, 1506677280, 1506677340, 1506677460), class = c("POSIXct", 
"POSIXt"), tzone = "UTC"), plusminus = c(-1, 1, 1, 1, 1, 1, -1
), AP = structure(c(1L, 2L, 2L, 2L, 2L, 1L, 2L), .Label = c("A", 
"B"), class = "factor")), .Names = c("timestamp", "plusminus", 
"AP"), row.names = c(NA, -7L), class = "data.frame")

代码

library(data.table)
p <- as.data.table(p)
p[, total:= cumsum(plusminus), by = AP][, max(total), by = .(AP, lubridate::round_date(timestamp, unit = "min"))]

输出

   AP           lubridate V1
1:  A 2017-09-29 09:23:00 -1
2:  B 2017-09-29 09:23:00  2
3:  B 2017-09-29 09:24:00  3
4:  B 2017-09-29 09:28:00  4
5:  A 2017-09-29 09:29:00  0
6:  B 2017-09-29 09:31:00  3

上面的 sn-p 使用“链接”（您可以认为它类似于%>% 方法）来获得所需的输出。首先，我们得到AP 的累积总和并将其保存到total。在第二步中，我们按AP 和timestamp（到最近的分钟）分组，并获得新定义的变量total 的最大值。

我发现data.table 有一种非常简洁的方法，非常适用于大型数据集。

【讨论】：